- 博客(61)
- 资源 (19)
- 收藏
- 关注
RSS订阅原创 MMaction2 使用记录3——数据准备、处理
数据集准备MMAction2支持许多现有的数据集。在本章中，我们将引导您为 MMAction2准备数据集。
2023-07-05 11:55:48
596
原创 基于预测帧的视频异常检测经典论文
16年上海科技的论文，上海科技做这个方向的系大佬多多的。摘要受基于稀疏编码的异常检测能力的激励，我们提出了一种时间相干稀疏编码(TSC)，其中我们强制用相似的重构系数对相似的相邻帧进行编码。然后，我们用一种特殊类型的层叠递归神经网络来映射旅行商问题。通过利用sRNN同时学习所有参数，可以避免对TSC进行非平凡的超参数选择，同时利用浅层sRNN，可以在前向通路中推断重构系数，从而降低学习稀疏系数的计算成本。本文的贡献有两个方面:1)我们提出了一个可映射到支持向量机神经网络的支持向量机模型，该模型有..
2023-07-04 21:33:49
204
原创 关于真人工智能技术专题
因此，这个专题会记录我在探索真人工智能的问题上的一些阅读笔记、感想、牢骚等，当然是一个菜鸟的这些，要是有人看也不要抱太大期望哈，我的水平，我心里有数哈哈哈哈哈哈，当个花边新闻看看就行，具体理论知识、观点还是自己去确认，我不保真。我菜啊（当然，我深深地认为，真人工智能还没出现，挺期待它能出现的）从刚开始觉得做AI有意思挺神奇，到现在越来越觉得无聊。手头上的任务或者研究始终围绕着分类、检测、分割这几个问题万变不离其中的进行着，我越来越不觉得自己做的东西智能，只有无尽的人工设计，也觉得我永远做不出什么智能。
2023-06-26 00:20:13
90
原创 用元原型网络学习视频中的常态动态
摘要：基于自动编码器的帧重建(当前或未来帧)是一种流行的视频异常检测方法。在正常数据上训练模型时，异常场景的重建误差通常比正常场景大得多。以前的方法将记忆库引入到声发射中，用于在训练视频中编码不同的正常模式。然而，它们消耗内存，无法处理测试数据中看不见的新情况。在这项工作中，我们提出了一个动态原型单元(DPU)来编码正常的动态实时原型，没有额外的内存成本。此外，我们将元学习引入我们的DPU，形成了一个新颖的少镜头常态学习者，即元原型单元。它只需更新几次就能在新场景中实现快速适应能力。在各种基准上进行..
2021-05-11 19:16:30
290
原创 Few-Shot Scene-Adaptive Anomaly Detection 少镜头场景的自适应异常检测
摘要我们解决了视频中的异常检测问题。目标是通过专门从正常视频中学习来自动识别异常行为。大多数现有方法通常需要大量数据，并且泛化能力有限。他们通常需要在目标场景的大量视频上进行训练，才能在该场景中取得良好的效果。在本文中，我们提出了一个新的少镜头场景自适应异常检测问题，以解决以往方法的局限性。我们的目标是学会在以前看不见的只有几帧的场景中检测异常。这个新问题的可靠解决方案在现实世界的应用中将有巨大的潜力，因为为每个目标场景收集大量数据是昂贵的。我们提出了一种基于元学习的方法来解决这个新问题；大量实验结果证
2021-04-12 21:35:16
1665
2
原创 pytorch使用小问题记录
1、functions.linear 与 nn.linearnn.linear是functions.linear的再一次封装，需要初始化使用，F.linear不需要，可以直接定义输入x，与相应权重w直接在forward里直接使用。例如x(T*C) w(M*C) f.linear(x,w) -> T*M，二nn.linear需要初始化，然后调用l(T,M),w权重自己初始化。2、PyTorch里面的torch.nn.Parameter()可以把这个函数理解为类型转换函数，将一个...
2021-04-09 14:07:31
509
原创 基于距离判定的视频异常事件检测
Real-Time Anomaly Detection and Localization in Crowded ScenesCVPR 2015的一篇文章，相对有点老了，不过最近在研究综述，拿出来简单了解一下结构方法和思想。Abstract本文提出了一种拥挤场景下的实时异常检测与定位方法。每个视频被定义为一组不重叠的立方块，并且使用两个局部和全局描述符来描述。这些描述符从不同方面捕获视频属性。通过结合简单而经济的高斯分类器，我们可以区分视频中的正常活动和异常。局部特征和全局特征基于相邻块之间的结构
2021-04-01 16:50:24
519
2
原创 20天吃掉那只pytorch——学习解读2
1-2,图片数据建模流程范例???????? 项目github地址：https://github.com/lyhue1991/eat_pytorch_in_20_days???????? 项目和鲸专栏地址：https://www.kesci.com/home/column/5f2ac5d8af3980002cb1bc08*新建一个后续需要使用的方法，matplotlib要在mac和jupyter上正常显示图片需要进行的设置。import osimport datetime#打印时间
2021-03-18 20:48:27
533
3
原创 Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测
又是一篇在自编码器框架中研究使用记忆模块的论文，可以看做19年的iccv的论文的衍生，在我的博客中对19年iccv这篇论文也做了简单介绍。韩国人写的，应该是吧，这名字听起来就像。摘要abstract我们解决异常检测的问题，即检测视频序列中的异常事件。基于卷积神经网络的异常检测方法通常利用代理任务(如重建输入视频帧)来学习描述正常情况的模型，而在训练时看不到异常样本，并在测试时使用重建误差来量化异常的程度。这些方法的主要缺点是没有明确考虑正常模式的多样性，而CNNs强大的表示能力允许重建异常的视频..
2021-03-15 15:44:57
1797
1
原创 最新 vscode windows链接跳板机接服务器
简单记录1、windows下生成公钥上传到跳板机用户文件夹下.ssh内，改名为authorized_keys 文件2、下载vscode最新版，有些老版本不能用的。3、确认在vscode中能直接使用终端模型登录跳板机，并且不用输入密码。4、在vscode中下载相关插件手动写入如下代码fuwuqi是跳板机信息target是服务器信息这种方式还是需要输入服务器密码连接的，但是我依旧满足了。然后点左上角的文件图标，选择需要展示的文件目录接下来就可以在vscode上自由
2021-03-11 20:08:17
503
原创 Memorizing Normality to Detect Anomaly ——记忆正常以检测异常
Memorizing Normality to Detect Anomaly: Memory-augmented DeepAutoencoder for Unsupervised Anomaly Detection记忆正常检测异常：记忆增强型深度自动编码器无监督异常检测中国人挂了一堆外国人Abstract深度自动编码器在异常检测中得到了广泛的应用。通过对正常数据的训练，期望自动编码器对异常输入产生比正常输入更高的重建误差，并将其作为识别异常的判据。然而，这一假设在实践中并不总是成.
2021-03-02 16:56:00
1777
原创 20天吃掉那只pytorch——学习解读1
接触pytorch也三年多了，又很长一段时间没有系统的写过代码导致手有点生疏，这个系列我将依据20天吃掉那只pytorch这个优秀的项目回顾一遍pytorch的基本知识，并且加入自己几年学习的一些简单感悟写成文章分享记录，望大家多多指教有啥理解不对的希望提出！
2021-03-01 15:40:31
1854
2
原创 pytorch时空数据处理4——图像转文本/字幕Image-Captionning（二）
pytorch时空数据处理4——图像转文本/字幕Image-Captionning（二）pytorch时空数据处理4——图像转文本/字幕Image-Captionning（二）pytorch时空数据处理4——图像转文本/字幕Image-Captionning（二）书接上文，本篇主要讲解工程代码结构和代码运行。...
2021-02-27 11:35:09
1854
10
原创 REMEMBERING HISTORY WITH CONVOLUTIONAL LSTM FOR ANOMALY DETECTION——利用卷积LSTM记忆历史进行异常检测
上海科技大学的文章，上海科技大学有个组一直在做这方面的工作，好文章挺多的还有数据集。ABSTRACT本文解决了视频中的异常检测问题，由于异常是无界的，所以异常检测是一项极具挑战性的任务。我们通过利用卷积神经网络(CNN或ConvNet)对每一帧进行外观编码，并利用卷积长期记忆(ConvLSTM)来记忆与运动信息相对应的所有过去的帧来完成这项任务。然后将ConvNet和ConvLSTM与自动编码器相结合，即ConvLSTM-AE，学习普通时刻的外观和运动规律。与基于三维卷积自动编码器的异常检测相比..
2021-02-22 20:54:32
805
原创 Joint Detection and Recounting of Abnormal Events by Learning Deep Generic Knowledge ——通过学习深度泛型知识实现异
外国人写的。无监督的Abstract研究了视频中异常事件的联合检测和描述问题。叙述异常事件，即解释为什么它们被判断为异常，在视频监控中是一项未被探索但至关重要的任务，因为它帮助人类观察者快速判断它们是否是假警报。为了以人类可理解的形式描述事件以进行事件叙述，学习关于视觉概念(例如，对象和动作)的一般知识是至关重要的。虽然卷积神经网络(CNNs)在学习这些概念方面取得了很好的成果，但由于异常检测的环境依赖性，如何有效地利用CNN进行异常事件检测仍然是一个悬而未决的问题。我们的方法首先通过多个视觉任..
2021-02-21 20:59:30
423
2
原创 Learning Temporal Regularity in Video Sequences——视频序列的时间规则性学习
Learning Temporal Regularity in Video SequencesCVPR2016 无监督视频异常事件检测早期工作摘要由于对“有意义”的定义不明确以及场景混乱，因此在较长的视频序列中感知有意义的活动是一个具有挑战性的问题。我们通过在非常有限的监督下使用多种来源学习常规运动模式的生成模型（称为规律性）来解决此问题。体来说，我们提出了两种基于自动编码器的方法，以使其能够在很少或没有监督的情况下工作。我们首先利用传统的手工制作的时空局部特征，并在这些特征上学习完全连接的自动
2021-02-20 22:14:09
1292
1
原创 Show,Attend and Tell: Neural Image Caption Generation with Visual Attention
Abstract受机器翻译和对象检测领域最新工作的启发，我们引入了一种基于注意力的模型，该模型可以自动学习描述图像的内容。我们描述了如何使用标准的反向传播技术，以确定性的方式训练模型，并通过最大化变分下界随机地训练模型。我们还通过可视化展示了模型如何能够自动学习将注视固定在显着对象上，同时在输出序列中生成相应的单词。我们通过三个基准数据集（Flickr9k，Flickr30k和MS COCO）的最新性能验证了注意力的使用。1.Intraduction为图像自动生成字幕是一项与场景理解的核心接近的
2021-02-20 12:38:04
1788
1
原创 pytorch时空数据处理3——ConvLSTM介绍及应用
ConvLSTM最早由《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》论文提出，目的是用于解决降水预报问题。降水预报问题通常被看做时序上的问题，因此被考虑使用LSTM来解决，但是单纯的LSTM不能通过图片来利用空间上的数据特征，因此空间特征在这个LSTM方法中利用是很不充分的。根据以上的描述，论文提出一种ConvLSTM结构,不仅能够建立类似LSTM时序关系，而且可以拥有类似CNN的空
2021-02-14 23:50:06
38614
19
原创 基于中心引导判别学习的弱监督视频异常检测
WEAKLY SUPERVISED VIDEO ANOMALY DETECTION VIA CENTER-GUIDED DISCRIMINATIVE LEARNING基于中心引导判别学习的弱监督视频异常检测abstract由于异常视频内容和时长的多样性，监控视频中的异常检测是一项具有挑战性的任务。在本文中，我们将视频异常检测看作是一个弱监督下视频片段异常分数的回归问题。因此，我们提出了一个称为异常Regression Net(AR-Net)的异常检测框架，它在训练阶段只需要视频级别的标签。此外，
2021-02-12 23:09:26
1545
原创 一元分类、二元分类、多类分类、多标签学习
one-class classification -- 一元分类In machine learning, one-class classification, also known as unary classification, tries to identify objects of a specific class amongst all objects, by learning from a training set containing only the objects of that clas
2021-02-11 19:35:41
3159
1
原创 pytorch 提高GPU利用率 TensorFlow可参考
torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True, num_workers=8, pin_memory=True)将num_workers调大，尽量大，多进程调用.
2021-02-04 16:53:29
451
原创 pytorch时空数据处理2——图像转文本/字幕Image-Captionning（一）
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入pytorch时空数据处理2——图像转文本/字幕Image-Captionning（一）最终目标主要技术概念欢迎使用Mark
2021-02-03 16:59:41
1325
原创 pytorch时空数据处理1——LSTM介绍及图像分类
了解LSTM网络（From http://colah.github.io/posts/2015-08-Understanding-LSTMs/）递归神经网络简单提要遗忘门：第一个利用上一次的输出和这次的输入通过sigmoid函数的0~1的取值转化为一个权重矩阵，通过与Ct-1相乘按权重矩阵值选择性保留Ct-1中的信息。输入门：（可详细分为左边输入门那些作为输入，右边更新门哪些需要强调）输出门：输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在.
2021-01-21 15:10:25
8450
4
原创 json、xml、list、map 的区别
list 和 map是一种数据类型json 和 xml是一种数据格式map {name: 'zhangsan', id: '001'}json"{"name":"zhangsan","id":"001"}"json是string 内容需要加“”json 数据格式中可以有数组 可以有字符串 可以有map json并不关心内容格式，只要是string就可以，然后根据键值输出，输出后的内容根据需要利用其它函数进行下一步解析。...
2021-01-18 11:13:10
317
原创 计算机学术论文简要分析
计算机学术论文是科技论文的一种，我简单的做了以下几点分析：（一）题目：题目是论文的窗口，科技论文选题宜小不宜大。一般会突出主题内容和核心关键词（二）摘要。就是将文章的主要内容简要地概括出来，使读者了解论文概貌，以确定其有无阅读价值。提要以二三百字为宜。（三）（引论、引言、前言、序言，相关工作）。概述研究该课题的动机，目的、意义和主要方法，指出前人或旁人做了哪些工作，进展到何种程度，哪些尚未解决，说明自己研究这个问题的主要成果和贡献。这部分占比例要小，起简介作用。文字要简洁、明确...
2021-01-13 11:05:45
811
原创 科技论文阅读-论文写作-citavi-Latex-word-Grammarly-1checker 小笔记
读论文一般套路：看论文一般步骤，任何一步认为没有必要就换下一篇：题目，搞像元分类就别找目标检测死磕摘要，什么问题，什么方案，什么数据，什么评价指标，什么结果，什么贡献看图，有的论文写得啰嗦（或者看不懂），但是同一领域图是差不多的。看表，主要是评价指标看结论，有兴趣再看讨论十分契合方向，通读。写论文一般套路：结论写法（其实也是摘要写法，只不过详略点不太一样）基于XX数据，采用XX方法，解决了XX问题，做了XX对比实验，精度达到了SOTA，XX上还有待提高。citavicita
2021-01-13 10:38:19
983
1
原创 电动汽车空气动力学低风阻设计优势区间的简单思考
电动汽车空气动力学低风阻设计优势区间的简单思考传统汽车与电动汽车的风阻优势结构：传统汽车和电动汽车具有不同的动力系统，电动汽车的电池通常是安置在底盘部分（油箱被电池取代），电动车的电机代替了传统汽车的内燃机，线控系统代替了传统的传动系统，因此在集成技术和制造工艺的进一步发展的进程中，电动汽车的基本构建都可以高度集中至底盘上，对比传统汽车发动机舱可能不再需要。这种情况下能够为电动汽车的整车设计带来巨大的改变空间，在空气动力学上也可能带来新的设计思路，这是电动汽车的风阻设计的一大优势。智能.
2021-01-12 15:01:48
1031
原创 一句话解决！ apt 安装软件包 出现404
看了一堆乱七八糟，换源，啥该文件的解决方案，稀奇古怪的。。。。。简单解决：直接更新一下apt就好了apt-get update
2020-08-16 14:01:24
1557
2
原创 联邦学习简介
对联邦学习做个简单的记录联邦学习定义：定义N个数据所有者{F1，... FN}，他们所有人都希望通过合并各自的数据{D1，... DN}来训练机器学习模型。 一种常规方法是将所有数据放在一起，并使用D = D1 U D2 U ... DN来训练模型Msum。 联邦学习是一种学习过程，其中数据所有者共同训练一个模型Mfed，在该过程中，任何数据所有者Fi都不会将其数据Di暴露给其他人。此外，Mfed的准确性（表示为Vfed应该非常接近Msum，Vsum的性能。令δ为非负实数，如：称联邦学习算法
2020-07-05 19:03:30
2472
原创 深度学习入门前戏
目前深度学习已经如火如荼的发展了一段时间，各类教程也十分丰富。本文是作者在积累了一定学习与工作经验后写下的入门前戏，其目的是为读者在入门深度学习期做一个相对充足的铺垫，能在以后的学习之中更加流畅，也为了给自己知识结构进行一个梳理与差缺补漏
2020-06-22 22:54:12
335
原创 pytorch多GPU训练实例与性能对比
以下实验是我在百度公司实习的时候做的，记录下来留个小经验。多GPU训练cifar10_97.23 使用 run.sh 文件开始训练cifar10_97.50 使用 run.4GPU.sh 开始训练在集群中改变GPU调用个数修改 run.sh 文件nohup srun --job-name=cf23 $pt --gres=gpu:2 -n1 bash cluster_run.sh...
2018-11-12 12:11:02
6205
1
原创 关于：AttributeError: module ‘torchvision.transforms‘ has no attribute ‘Resize‘
About:AttributeError: module 'torchvision.transforms' has no attribute 'Resize'I user the following code to slove the problem.关于这个错误，AttributeError: module 'torchvision.transforms' has no attri...
2018-10-22 10:58:38
8771
转载 一篇文章搞懂Python中的函数式编程
全部看了一遍，写的还不错nice，正好复习复习Python的应用，最近手生了。感谢博主的好文章原文链接：原文DirectoryDirectory高阶函数1. 变量可以指向函数2. 传入函数map/reducefiltersorted返回函数闭包匿名函数 lambda装饰器偏函数函数是Python内建支持的一种封
2017-12-03 15:11:59
16138
2
转载 python 文件操作总结
文件操作对编程语言的重要性不用多说，如果数据不能持久保存，信息技术也就失去了意义。按照本人经验，IO也是蛮头疼的一件事，因为不会用得太多，所以总是记不住API，每次都要重新google就会打断思路，还不一定每次都快速得到正确的文章。本文内容包括： 文件的读写操作 文件的各种系统操作 存储对象 遍历文件上代码：im
2017-11-23 16:21:53
569
mmdetection-master.zip
2020-07-26
Convert Android layout xml 和 GsonFormat
2015-08-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人